Диссертация (Методы математического моделирования для распознавания и прогнозирования характеристик областей земной поверхности по мультиспектральным космическим изображениям), страница 13

Применимость комплексныхподходов с использованием данных ДЗЗ проверена на практике при решении задачмониторинга экологического состояния окружающей среды для объектов нефтегазовогокомплекса [13], урбанизированных территорий [30, 96], диагностики лесных [25, 26] и водных[54, 55] экосистем, оценки последствий пожаров [11, 14, 16, 17] и чрезвычайных ситуаций [23].Таким образом, сформирована база для разработки методов оценки состояния окружающейсреды и его изменений с использованием косвенных признаков, характеризующих появлениеобластей, подверженных антропогенному воздействию.Предположим, что для рассматриваемой территории на основании наземных данных илив результате процедуры классификации построена карта растительности K .

Число типоврастительности обозначим T  t jmj 1 , набор областей интереса – R  rpPp 1. Также известнаистория изменения состояния для каждого типа растительности за предыдущие периодынаблюдения, представленная в виде набора датасетов rDnpN ,Pn 1,p 1. Тогда для каждогоtj внормальном состоянии (этот факт устанавливается по данным наземных наблюдений запредыдущие годы) с использованием ДДЗ строятся характерные кривые вегетационного ходаVtj Vltj , l  1,  , где - количество сезонных наблюдений. Пример такой кривойприведен на рисунке 2.7.В течение одного сезона вегетации оценивается интенсивность воздействия на состояниерастительности для исследуемой территории.

Для этого воспользуемся интегральной знаковоймерой сходства кривых, полученной следующим образом. Рассмотрим пару кривых. ОбозначимtjLnormкривую, построенную как аппроксимацию точекиндексаVtjдля растительности типаr V , l  компонент вегетационногоltjt j . L p кривую, построенную как аппроксимацию72точек V ,l lrpкомпонент вегетационного индекса для областиtjD Lnormэквипотенциальных поверхностейrLpобозначимrp . Построим картуttjjдля кривой Lnorm. Область между кривыми LnormиtjL  D Lnorm .

Вычисление меры сходства кривых проводится по формуле  f t dt,t L ,jdist Lnorm,Lp гдеtr(2.22)Lf  t  – некоторая функция, определенная на L .Обозначим степень воздействия на состояние растительности t j для территорииrkСАВ  rp , t j  . Для оценки САВ  rp , t j  воспользуемся формулойСАВ  rp , t j  гдеtjS Lnormtrjdist Lnorm,LpjjS Lnorm min Lnormtt,(2.23)tj- площадь под графиком Lnorm. Поскольку мера (2.22) является знаковойвеличиной, то полученное положительное значение САВ rp , t jсоответствует улучшениюсостояния растительности, а отрицательное – ухудшению. Такая интерпретация САВ rp , t jвместе с результатами наземных наблюдений позволяет сформировать новые шкалы оценкистепени антропогенного воздействия по косвенным признакам состояния растительности,полученным по данным ДЗЗ.Верификация границы областей, подверженных антропогенному воздействию, следуетпроводить по наблюдениям за ходом процесса вегетации в течение нескольких лет.

Навременном масштабе в несколько лет проводиться отслеживание многолетних тенденций визменении состояния объектов. Такой подход обусловлен тем фактом, что растения имеютсвойство приспосабливаться к колебаниям внешних условий и способны осуществлятьвосстановительные процессы [212].2.4 Основная концепция разработанного методаОпишем класс явлений, для которых возможно применение разработанного метода. Впредлагаемом подходе моделируется процесс прогнозирования характеристик объектов илиобластей на земной поверхности по данным дистанционного зондирования Земли. В связи с73этим, существует ряд ограничений, накладываемых на физические процессы, характеристикикоторых прогнозируются с помощью моделей, разработанных специально для описываемогокласса объектов.

В первую очередь предполагается, что существующие на данный моменттехнологии дистанционного зондирования позволяют получать изображения с необходимымидля решения исходной задачи параметрами: пространственное разрешение, частота съёмки,диапазон длин волн, регистрируемых сенсором, и т.д. Во-вторых, значения прогнозируемыххарактеристик объектов обладают свойством периодичности на некотором интервале времени.В-третьих, следует учитывать тот факт, что любые измерения, полученные дистанционно,требуют верификации с использованием данных, полученных insitu, то есть наземныхнаблюдений [97]. Возможность любого прогнозирования с использованием данных ДЗЗопределяется наличием физической основы для описания исследуемых процессов принаблюдении из космоса. Современные сенсоры, установленные на КА, регистрируютэлектромагнитное излучение, отражённое земной поверхностью, в различных спектральныхдиапазонах.

Поиск функциональной зависимости осуществляется между характеристикамиисследуемых физических процессов и данными ДЗЗ, полученными в определенныхспектральных диапазонах длин волн (см. Рис. 1.1).Решение задачи прогнозирования по данным ДЗЗ основывается на выявлениизакономерностей по многолетним периодическим наблюдениям. После чего выявленныезакономерности применяются к сезонным наблюдениям для текущего года.При прогнозировании характеристик, описывающие состояние объекта, в заданномпространственном масштабе по данным ДЗЗ, необходимо учитывать не только наблюдения,которые описывают его состояние в момент прогнозирования, но и историю наблюдений доэтого момента.

Такой подход позволяет выявить зависимости в изменении состояния объекта втечение долгосрочных наблюдений. Термин «объект» использован для обозначения области наземной поверхности (и на космическом изображении соответствующей территории). Этаобласть может быть сформирована по определенным физическим или географическимпризнакам и иметь различную форму и размер.В качестве примера области интереса может служить географический регион, аплодородиепочвывэтомрегионеилиурожайностьвыбраннойрассматриваемый период – прогнозируемыми характеристиками.с/хкультурыв742.4.1Сезонные и долгосрочные наблюденияОпределение 2.14. Текущим периодом наблюдений называется временной интервал,соответствующий номеруn  Nˆ ,гдеN̂– множество лет, составляющих долгосрочныенаблюдения.Определение 2.15.

Обозначим наблюдения для текущего периодаnкак сезонныенаблюдения, которые включают в себя измерение параметров объекта в течение некоторогофиксированного временного интервала и до момента прогнозирования (см. Рис. 2.2).Тип и количество параметров, вычисленных по данным дистанционного зондирования,варьируется в зависимости от набора условий: количество данных, доступных для обработки,пространственное разрешение, физической природы объекта исследованияизображений.Наборизмерений,входящихввекторасостоянияобластиили типаинтересаV   v1 ,..., vM  , определяется продолжительностью сезонных наблюдений, при этомизмерениюvmсоответствуетm -ыймомент наблюдения,момент прогнозирования M –окончанию сезонных наблюдений.

В тот момент, когда реальное значение прогнозируемойхарактеристики объекта получено от наземных средств наблюдения, проводится контрольноесравнение его с прогнозированным значением.75Рисунок 2.11 – Общая концепция метода прогнозирования по данным ДЗЗ с использованиеммноголетних наблюденийСезонные наблюдения используются для извлечения информации об интересующемобъекте за текущий период. Долгосрочные наблюдения позволяют определить вид и найтипараметризацию предсказательной функции. Долгосрочные наблюдения включают в себя дватипа информации об объекте.

К первому типу относится информация, непосредственноизвлекаемая из данных дистанционного зондирования, которые описывают изменения внаблюдаемых характеристиках объекта. Этот тип долгосрочных наблюдений может иметьпродолжительность как только сезонных наблюдений (внутригодовой), так и быть расширен навсе доступные наблюдения в течение многих лет с несколькими отсчётами за каждый год.Второй тип долгосрочной исторической информации формируется по данным наземныхнаблюдений, полученных из источников не связанных с дистанционным зондированием. Такаякомбинация наземных измерений и данных дистанционного зондирования используется дляобучения и валидации моделей прогнозирования.

Примером наземных измерений могут бытьданные официальной государственной статистики (такие, как урожайность для различныхрегионов и лет).Долгосрочные наблюдения обладаютцикличностьюпо построению. Сезонныенаблюдения входят в состав долгосрочных, и при этом существует возможность изменять76частоту измерений, проводимых с использованием данных дистанционного зондирования втечение периода наблюдений. Таким образом, при обучении моделей прогнозирования удаётсядобиться большого числа итераций (см. Рис. 2.12).